前言¶
2024 年，業界的主流判斷還是 IDE 會贏——Copilot 嵌在編輯器裏，Cursor 快速起量，「Agent」多半隻是帶 Shell 權限的聊天框。到了 2026 年中，真正扛住 CI、SSH、無 GUI 服務器場景的，反而是終端裏的 CLI 編碼 Agent。據 Arinbjörn Kolbeinsson 在 2026 年 7 月整理的清單，僅活躍維護的 CLI 編碼 Agent 就有 35 款以上。
但開發者社區近幾個月討論的焦點，已經從「哪個模型最強」轉向另一個問題：Harness（代理腳手架） 纔是決定任務能否真正落地的變量。系統提示、重試邏輯、上下文壓縮、Subagent 編排——這些包裹在模型外面的工程細節，在 Terminal-Bench 2.1 等基準上造成的分數差距，往往大於換一款基座模型。
本文基於 2026 年 6–7 月公開的一手資料與第三方排行榜，梳理 Harness 之爭的來龍去脈，並對 Claude Code、Codex CLI、OpenCode、GitHub Copilot CLI 等主流工具做橫向對照。
什麼是 Harness：模型之外的那一層¶
一個 CLI 編碼 Agent 可以拆成兩部分：
- 模型：負責推理、生成代碼、理解指令。
- Harness：負責把文件餵給模型、執行 Shell 命令、管理權限、壓縮上下文、編排子 Agent、在失敗時重試。
Capital and Compute 在 2026 年 6 月的綜述裏用一句話點破了誤區：排行榜上「哪個模型最好」是錯誤問題，「哪個 Agent 能把任務做完」纔是正確問題。同一款 GPT-5.5，跑在 Codex CLI 裏和跑在別的 Harness 裏，Terminal-Bench 分數可以差出好幾個百分點。
Naman Vats 2026 年的預印本論文 The Scaffold Effect 進一步量化了這個現象：在 Terminal-Bench Pro 的 50 任務切片上，固定模型、只換 Harness（Goose、OpenCode、OpenHands-SDK），成本方差往往比換模型更大。Harness 裏的 system prompt、turn budget、retry policy、skill 注入，每一項都在悄悄改寫最終結果。
Terminal-Bench 2.1：Harness 差距的試金石¶
Terminal-Bench 是 Laude Institute、Stanford 研究者與開源社區共同維護的終端 Agent 基準，每個任務都有獨立 Docker 環境、人工編寫的參考解和自動化驗證腳本。2026 年中的 Terminal-Bench 2.1 是對 2.0 的驗證修訂版，保留 89 道任務，修復了約 28 道題的環境依賴、資源預算和「指令與測試不一致」等問題，使分數更能反映 Agent 能力而非基準本身的 bug。
官方排行榜（tbench.ai）要求每個 Agent/模型組合至少跑 k=5 次取均值。截至 2026 年 7 月，Snorkel AI 彙總的第三方驗證結果大致如下（置信區間重疊處可視爲「膠着」）：
| 排名 | Agent | 模型 | 準確率 |
|---|---|---|---|
| 1 | Claude Code | Claude 5 Fable | 83.8% ±1.2 |
| 2 | Codex CLI | GPT-5.5 | 83.1% ±1.1 |
| 3 | Terminus 2 | Claude 5 Fable | 80.4% ±1.2 |
| 4 | Cursor CLI | Grok 4.5 | 79.3% ±1.5 |
| 5 | Claude Code | Claude Opus 4.8 | 78.9% ±1.3 |
幾個值得細讀的細節：
同一模型，不同 Harness，分數不同。 Terminus 2 是 Terminal-Bench 項目自帶的參考 Harness；Claude Code 與 Terminus 2 都接 Fable 5，前者 83.8%，後者 80.4%。差距來自 Anthropic 自研 Harness 在工具調用、上下文管理和重試策略上的調優。
同一 Harness，換模型也會變，但 Harness 的上限往往更關鍵。 Claude Code 接 Opus 4.8 得 78.9%，接 Fable 5 得 83.8%——模型升級有效，但 Codex CLI + GPT-5.5 仍與其同處第一梯隊，說明 OpenAI 的 Harness 工程同樣到位。
統一腳手架下的「裸模型分」更低。 Scale 的 SWE-bench Pro 公開榜把所有模型放進同一套 SWE-Agent scaffold，榜首約在 59% 左右；而各廠商在自己 Harness 上公佈的 SWE-bench Verified 數字可達 90% 上下。中間三四十個點的落差，就是 Harness 在 benchmark 標題裏藏掉的工作量。
四家主流 CLI Agent 的 Harness 路線¶
Claude Code：品類模板，編排最深¶
Anthropic 2025 年 2 月發佈的 Claude Code 基本定義了後續 CLI Agent 的「標準骨架」：Agentic 循環、文件/Shell 工具、項目記憶文件、權限提示、Plan 模式、Hooks、Skills、Subagent。到 2026 年中，它又多了實驗性的 Agent Teams（多會話互發消息）和獨立的 Agent SDK 計費池。
Harness 側的長處在於編排深度：自定義 Subagent、worktree 隔離並行、跨會話持久 memory、/rewind 檢查點。Terminal-Bench 2.1 上 Fable 5 的榜首成績，與「模型 + Harness 聯合調優」的 bundled 策略一致。代價是模型鎖定、閉源 Harness，以及 headless/SDK 用量單獨計費的賬單形態。
Codex CLI：開源 Harness 的強 counterweight¶
OpenAI 2025 年 4 月開源 Codex CLI（Apache-2.0，後重寫爲 Rust 核心），2026 年上半年陸續加入 Goals 持久化、線程級 Subagent 委託、插件市場、瀏覽器控制、加密遠程執行，甚至提供 一鍵導入 Claude Code 配置 的遷移路徑。
Harness 賣點是 OS 級沙箱（Seatbelt/Landlock）、開放可審計、可接本地模型。Terminal-Bench 2.1 上 GPT-5.5 得 83.1%，與 Claude Code 幾乎打平。對需要在髒倉庫裏跑真實 Shell、又要獨立審查 Harness 行爲的團隊，Codex 是目前唯一同時具備「Lab 級模型接入 + 開源 Harness + 內核隔離」的選項之一。
OpenCode：模型無關的 portable base¶
OpenCode（Anomaly/SST 團隊維護，MIT 協議）是 2026 年 GitHub 上 star 數最高的 Agent 項目之一（約 18 萬+），支持 75+ 模型提供商，採用 client-server 架構：opencode serve 可跑無頭服務，TUI、桌面端、IDE 插件都是客戶端。
它的 Terminal-Bench 分數 不獨立於模型——接 Opus 4.8 接近 Claude Code，接 GPT-5.5 接近 Codex CLI。Harness 的價值在於中立與可移植：AGENTS.md、自定義 Agent/Subagent JSON、MCP、LSP、JS/TS 插件。適合 BYOK、本地模型、批量自動化等「不想被單一訂閱綁死」的場景。需要注意的是，Anthropic 禁止在 OpenCode 中使用 Claude Pro/Max 訂閱，Claude 需走 API Key。
GitHub Copilot CLI：平臺 Harness 的「懶人默認」¶
Copilot CLI 2025 年 9 月預覽、2026 年 2 月 GA，入門價 $10/月，是目前主流產品裏最便宜的 dedicated plan 之一。Harness 深度綁定 GitHub 工作流：內置 GitHub MCP、按倉庫 Copilot Memory、自動分派 explore/plan/review/build 專家 Agent，前綴 & 可把任務交給雲端 Coding Agent。
在 Terminal-Bench 官方榜上，Copilot CLI 尚未進入前幾名——平臺 Agent 的強項不在極限刷榜，而在 PR、Issue、Review、Actions 的原生打通。2026 年 7 月，Copilot 還接入了 Moonshot 的開權重模型 Kimi K2.7 Code（經 Azure），成爲少數在閉源平臺 Harness 裏提供 open-weight 選項的工具。
上下文壓縮：Harness 的隱形戰場¶
長會話裏，Agent 每一步都會把任務描述、相關文件、歷史工具輸出重新塞進上下文。Bai 等人 2026 年預印本 How Do AI Agents Spend Your Money?（Stanford Digital Economy Lab / Microsoft Research）指出：Agentic 編碼任務的 token 消耗可達普通代碼聊天的 三個數量級，且同一任務的總 token 可相差 30 倍。輸入 token 是成本大頭——Harness 怎麼「瘦身」上下文，直接決定賬單。
2026 年社區形成的做法大致四類：
- 自動 Compaction：Claude Code、Codex CLI、Copilot CLI（約 95% 窗口觸發）、OpenCode 均支持會話接近上限時自動摘要並重啓窗口。摘要保留什麼（決策、未竟事項、不變量）是 Harness 工程決策。
- 工具輸出沙箱化：流行模式是把 Shell/瀏覽器輸出留在子進程，只讓摘要進入對話。社區項目
context-mode的公開 benchmark 稱：56 KB 的 Playwright 快照可壓到 299 B 進入上下文。 - Hook 級壓縮器：
squeez、context-compress等工具通過 PreToolUse Hook 對接 Claude Code、Copilot CLI、OpenCode、Codex CLI，對 Bash 輸出做最高約 95% 的壓縮，並儘量保留 SHA、UUID、ticket 等精確標識符。 - Subagent 隔離：把 explore、review、implement 拆到獨立上下文窗口，避免噪聲交叉污染——Claude Code、Copilot CLI、OpenCode 均已內置，Pi 則走相反路線：核心只保留 read/write/edit/bash 四個工具、system prompt 控制在千 token 以內，用「極簡 Harness」把壓力還給模型。
Amazon CloudWatch 2026 年推出的 Coding Agent Insights 已能拉取 Claude Code、Codex、Copilot 的組織級遙測——說明上下文與 Harness 效率已從個人技巧上升爲工程管理層面的觀測指標。
開發者該怎麼選¶
沒有「唯一最強」的 CLI Agent。Arinbjörn Kolbeinsson 在 2026 年 7 月的結論與 Capital and Compute 一致：Claude Code、Codex CLI 結果質量接近，排名 1-2-3 意義不大；更大 swing 來自任務描述是否清晰、倉庫是否有 AGENTS.md/CLAUDE.md、權限策略是否合理。
可按場景快速對號入座：
| 場景 | 優先考慮 | 原因 |
|---|---|---|
| 已付 Claude/OpenAI/GitHub 訂閱 | Claude Code / Codex CLI / Copilot CLI | 捆綁推理通常是最便宜的前沿模型入口 |
| 多文件重構、大型代碼庫調試 | Claude Code、Codex CLI | Terminal-Bench 第一梯隊，終端 Harness 讀文件更精準 |
| 模型無關、BYOK、自託管 | OpenCode | 75+ 提供商、MIT、client-server |
| GitHub 中心化團隊 | Copilot CLI | PR/Review/雲端委託原生集成，$10 入門 |
| 審計 Harness、本地模型 | Codex CLI、OpenCode | 開源可讀；Codex 額外有 OS 沙箱 |
| 極限省 token | DeepSeek-Reasonix 等 cache-first Harness | 項目報告稱重度日可接近 99.8% 前綴緩存命中 |
無論選哪一款，把 AGENTS.md、MCP 列表、構建/測試命令、Review 規則放進倉庫，比追逐月度 leaderboard 更有長期價值。MCP、AGENTS.md、ACP 已在 2025 年 12 月納入 Linux Foundation 旗下 Agentic AI Foundation 治理——Harness 之爭激烈，遷移成本卻在下降。
小結¶
2026 年中的 CLI 編碼 Agent 賽道，模型仍是必要組件，但 Harness 正在成爲差異化的主戰場。Terminal-Bench 2.1 上 Claude Code 與 Codex CLI 的膠着、同一模型在不同 Scaffold 下的分數漂移、SWE-bench Pro 統一腳手架與廠商自測分數之間的巨大鴻溝，都在指向同一件事：選 Agent 時，先看它能不能在你的倉庫裏穩定地讀文件、跑測試、壓縮上下文、在失敗時正確重試——然後再看裏面裝的是哪一款模型。
工具 churn 很快，Harness 工程化的方法論會留得更久。把上下文當一門獨立學科來經營，可能是 2026 年下半年每個嚴肅開發團隊都該補上的一課。
